发帖
雷达卡
模型选项卡:双因素方差分析
重复测量定义
重复测量意味着数据是匹配的。下面是一些例子：
- 您可能在干预之前、期间和之后，对每个受试者的因变量进行多次测量。
- 您招募受试者作为匹配组，匹配变量如年龄、种族和疾病严重程度。
- 您将一个实验室实验进行多次，每次都有多个处理并行处理。由于您预计到实验与实验之间的可变性，因此您希望以这样一种方式分析数据，即将每个实验视为一个匹配集。虽然您不是故意的，但由于外部因素，比如一天比另一天更潮湿，或者实验者无意的练习效果，一个实验中的反应可能比不同实验中的反应更相似。
匹配不应该基于您正在比较的变量。如果您比较三组人的血压，可以根据年龄或邮政编码进行匹配，但不能根据血压进行匹配。
项“重复测量”严格地只适用于对一个对象重复进行治疗的情况(上面的第一个例子)。另外两个例子被称为随机分组实验(每组受试者被称为一个分组，您在每个分组中随机分配治疗方法)。重复测量和随机块实验的分析是相同的，Prism总是使用项重复测量。
由哪个因素匹配？
如果您的数据是匹配的，选择两个因素中的哪一个是重复测量，或者如果两个因素都是重复测量。如果一个因素被重复测量而另一个因素不被重复测量，这种分析也称为混合效应模型方差分析。
仔细选择，因为如果您做出的选择不符合实验设计，结果可能会非常误导。选择是：
不匹配。使用常规的双因素方差分析(不重复测量)。
每一列表示一个不同的重复，因此匹配的值分布在行中。
每一行代表一个不同的时间点，因此匹配的值被堆叠到一个子列中。
两个因素的重复测量。
做这个选择的时候不要着急。我们发现太多的人认为“重复测量”，但没有花时间仔细指定重复的因素，或者两个因素是否都重复。如果您在这里的选择与您实际的实验设计不匹配，结果可能是不正确的。
包括一个相互作用的项？
选择拟合完整模型(包括列效应、行效应和列/行交互效应)或仅主要效应(列和行效应，无交互)的方差分析模型。选择这些选项中的哪一个取决于实验中是否存在相互作用，这是一个严格的科学决策，必须基于对实验和数据的了解。
为了更好地理解相互作用的概念，考虑以下假设的实验设计。您对一种实验性药物对血压的影响很感兴趣，所以您招募了一组男性和女性，您准备了药物和安慰剂。为了进行这个实验，您将参与者分成以下几组：
- 服用安慰剂的女性
- 接受药物治疗的女性
- 服用安慰剂的男性
- 接受药物治疗的男性
在这个实验设计中，有两个“主要影响”，治疗的影响(安慰剂vs药物)和性别的影响(女性vs男性)。例如，您可能期望服用药物的人的血压比服用安慰剂的人低(治疗的主要效果)。您可能还认为女性的血压比男性低(主要是性别的影响)。这些影响可以使用以下假设进行测试：
- 对于治疗的效果，您会测试接受安慰剂的个体的血压与接受治疗的个体的血压相同的假设(忽略这些个体的性别差异)。
- 对于性别的影响，您可以测试一个假设，即女性的血压与男性的血压相同(忽略这些个体属于哪个治疗组)。
到目前为止，这里已经描述了一个“仅主要影响”的方差分析模型，并且不包括交互项。如果一个因素(治疗)的影响取决于另一个因素(性别)的影响，则交互作用项将包括在模型中。在上面的场景中，相互作用的一个例子可能是治疗增加了男性的血压(与给予安慰剂的男性相比)，而降低了女性的血压(与给予安慰剂的女性相比)。换句话说，治疗的效果(第一主要效果)取决于个体的性别(第二主要效果)。在这种情况下，您可能希望包含一个交互项，并选择“完整模型”。
还要注意，如果一个或多个效果的组合完全缺失值，则完整模型不可用，Prism将适合仅主要效果的方差分析模型。使用上面的例子，如果没有得到“接受安慰剂的男性”(或任何其他个体组)的值，Prism只能拟合一个只有主效应的方差分析模型。
假设球度？
采用双因素重复测量方差分析，选择是否假设球形。如果您不假设球形，Prism使用Greenhouse-Geisser校正并计算epsilon。
球形假设表明，处理A和处理B的差异的方差等于A和C的差异的方差，等于A和D的差异的方差，等于B和D的差异的方差……(或者，当重复测量在子列中堆叠时，处理1和2之间差异的方差等于处理1和3之间差异的方差……)像所有的统计假设一样，这个假设适用于抽取数据的总体，而不仅仅是这些特定的数据集。
请注意，如果具有重复测量的因子只有两个级别，那么就没有理由担心违反球形性。例如，如果每个受试者在治疗之前和之后进行测量，并且有四种不同的治疗，则无需担心球形，因为重复测量因素只有两个水平(之前和之后)。如果您要求只使用重复测量因子的两个级别进行Greenhouse-Geisser校正，那么结果将与您没有选择该选项时的结果相同，并且epsilon的报告值将为1.0000000。
京公网安备 11010802022788号
